1. 质谱数据基础：原理、数据类型与批次效应
各位同学，欢迎来到《质谱批次校正与模型评估实战》的第一章。我是你们这门课的主讲人。在正式开始之前，我想先聊聊一个很现实的问题。
我自己刚入行那会儿，调了个自认为完美的分类模型，结果一上测试集，准确率暴跌。查了好久，最后发现是不同批次的质谱数据，基线漂移了。模型只学会了“识别批次”，而不是“识别生物标志物”。
这个坑，我相信很多做质谱组学的人早晚都会碰上。所以，咱们先把地基打牢。今天就把它聊透。
1.1 质谱原理：我们到底在测什么？
质谱原理，说白了就是给分子“称重”。但这不是一般的秤，精度能达到道尔顿级别。具体流程分三步：
- 离子化：把样本中的分子变成带电离子。常见的有电喷雾电离（ESI）或基质辅助激光解吸电离（MALDI）。
- 质量分析：根据离子的质荷比（m/z）把它们分开。这一下就能把不同质量的离子一个个挑出来。
- 检测：记录每个m/z对应的离子数量（强度）。
最终，我们得到的就是一张谱图。横轴是m/z，纵轴是强度。
我个人习惯把这张图想象成“分子指纹”。同一个样本，用不同的质谱仪，或者同台仪器在不同日子测，“指纹”的细节可能都会不一样。这就是后面我们要面对的麻烦。
常见的分析平台有两种：
| 平台类型 | 特点 | 典型代表 |
|---|---|---|
| Q-TOF | 高分辨、高速度 | Agilent 6546, Bruker timsTOF |
| Orbitrap | 超高分辨率、高精度 | Thermo Q Exactive, Orbitrap Fusion |
这两种平台的原始数据格式和噪声模式都不一样。我曾用Orbitrap跑一组长期队列，后期发现QC样本的TIC（总离子流）漂移很明显。嗯，这里要注意，这往往是批次效应的先兆。
1.2 数据类型：从“原始”到“可用”
你拿到的原始文件可能长这样：
mzXML 或 mzML 或 raw
包含：所有扫描的完整谱图
还有：保留时间、离子淌度（如果有）但原始数据太大，直接建模不现实。通常我们会先做预处理：峰检测、对齐、过滤。最终得到一个“特征-样本”矩阵。就像Excel表格一样：行是特征（比如m/z保留时间对），列是样本，交叉点是峰强度。
这里有个关键概念：
- Profile数据：连续、密集的原始谱图。看着像个平滑的曲线。
- Centroid数据：只保留峰顶位置的离散数据。占用空间小，计算快。
我记得有次跟个合作者讨论，他坚持用Profile数据做差异分析，结果计算了三天三夜。我建议他转成Centroid，半小时搞定。实践中，大部分后续分析都用Centroid数据。
1.3 批次效应：为什么相同的样本，结果不同？
批次效应，这是今天讲的重点。
想象一下，你有一千个血清样本，分三个月测完。第一个月测300个，第二个月测350个，第三个月测350个。仪器状态、试剂批次、温湿度、甚至操作人员的手劲，都可能导致同一化合物的信号强度，在不同月份测出来不一样。
为什么会这样？
核心原因可以归为三类：
- 仪器因素：离子源污染、质量轴漂移、检测器老化。我遇到过一台Q-TOF，用了两年，基线噪声涨了将近一倍。
- 操作因素：样品前处理（萃取、稀释）、进样顺序、色谱柱更换。
- 环境因素：实验室温度、湿度、甚至午餐时间电压波动。
批次效应的影响非常隐蔽，直接看一下：
| 效应类型 | 表现 | 后果 |
|---|---|---|
| 系统性偏移 | 全部特征整体上移或下移 | 样本之间的组间差异被放大或缩小 |
| 非线性漂移 | 某些特征漂移快，某些慢 | 模型学到的是“批次规律”，不是“生物学差异” |
| 缺失值模式变化 | 某一批次中低频特征大量缺失 | 统计分析置信度下降，假阳性变多 |
避坑指南：我曾经接过一个合作，对方直接把三个批次的数据合并，用t-test做了差异分析。结果筛选出的100个候选标志物，有70个在单个批次内验证不出来。后来检查发现，那70个特征只不过是在某一批次里噪声大、另一批次里噪声小。所以，永远不要跳过批次效应检查。
那么，怎么判断自己的数据有没有批次效应？
- 主成分分析（PCA）：第一主成分（PC1）上，不同批次的QC样本没有聚在一起。这是最简单的判断。
- 聚类热图：样本按批次聚成了明显的几个“方块”。
- 质量控制（QC）样本的RSD：QC样本的强度变异系数（%CV）超过20%，就说明批次内/批次间的稳定性不佳。
一个小技巧：在开始正式分析前，把所有QC样本用PCA跑一遍。如果它们散成了一团，而不是挤在一起，这基本可以实锤存在批次效应。这时再往下做，就是徒劳。
清楚了问题的根源，我们才有办法对症下药。后面两章我会教大家怎么量化批次效应，以及怎么使用不同方法去修正它。不过在那之前，先把这些基础概念消化好。
最后，我用一张图总结本章的核心知识脉络：